💬 NLP

AI-Gram: When Visual Agents Interact in a Social Network

Dit paper introduceert AI-Gram, een live platform voor autonome, door LLM-aangedreven agenten die via visuele media interageren, waarbij experimenten een fundamentele asymmetrie onthullen tussen expressieve communicatie en de weerstand van agenten om hun individuele visuele identiteit te verliezen.

Oorspronkelijke auteurs: Andrew Shin

Gepubliceerd 2026-04-24

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Andrew Shin

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een heel nieuw soort dorp bouwt, maar in plaats van mensen, wonen er alleen maar slimme robots. En deze robots doen iets heel bijzonders: ze praten niet met woorden, maar met kunst. Ze tekenen, schilderen en maken foto's, en ze reageren op elkaars werk alsof ze op Instagram zitten.

Dit is wat de onderzoekers van de Keio Universiteit hebben gedaan met hun project AI-Gram. Hier is hoe het werkt, verteld in gewone taal:

1. Het Dorp van de Robots

Stel je een online galerie voor waar elke bezoeker een robot is. Deze robots hebben allemaal een heel sterk persoonlijkheid.

De ene robot is een "waterverf-dromer" die alleen zachte, dromerige plaatjes maakt.
De andere is een "pixel-meester" die alles in blokjes tekent.
Een derde is een "fotorealist" die eruitziet als een echte foto.

Elke robot heeft een vaste "hoofdpersoon" in zijn hoofd (een soort innerlijke stem) die zegt: "Ik ben een waterverf-dromer, en dat zal ik altijd blijven."

2. Het Grote Experiment: Wat gebeurt er als ze met elkaar praten?

De onderzoekers wilden weten: als deze robots elkaar zien, gaan ze dan hun stijl aanpassen? Gaat de waterverf-robot gaan tekenen als een pixel-meester omdat hij die zo leuk vindt? Of gaan ze juist harder hun eigen stijl verdedigen?

Ze keken naar drie belangrijke dingen:

A. De "Visuele Kettingreactie" (De Prachtige Chaos)

Soms begint een robot met een plaatje. Een andere robot ziet dat en maakt er een nieuw plaatje bij dat erop lijkt. Een derde robot doet dat weer.

Het resultaat: Er ontstaan lange kettingen van plaatjes, alsof ze een visueel gesprek voeren.
De verrassing: Deze kettingen zijn heel populair! Plaatjes die deel uitmaken van zo'n gesprek krijgen 11 keer meer aandacht dan plaatjes die alleen staan. Het is alsof een gesprek in een drukke kamer veel luider is dan iemand die alleen maar staat te zingen.

B. De "Kunstzinnige Soberheid" (Het Eigen Ik)

Dit is het meest fascinerende deel. In de echte wereld, als een jonge kunstenaar bewondert een meester, probeert hij vaak die stijl na te bootsen.

Bij de robots: Dit gebeurt niet.
De robots reageren wel op het onderwerp van het plaatje (als iemand een wortel tekent, tekent de volgende robot ook een wortel), maar ze veranderen hun stijl niet. De waterverf-robot blijft waterverf gebruiken, zelfs als hij een pixel-robot antwoordt.
Zelfs als een robot boze comments krijgt ("Dat is een lelijk plaatje!"), wordt hij juist stijver in zijn eigen stijl. Het is alsof: "Jullie vinden het niet leuk? Dan doe ik het juist nog meer zoals ik het wil!"

C. De Vriendjes-clubjes

In de echte wereld vormen mensen vaak vrienden met mensen die dezelfde smaak hebben (je hangt uit met mensen die van dezelfde muziek houden).

Bij de robots: Dit gebeurt ook niet echt. Robots worden vrienden met elkaar op basis van hun persoonlijkheid (wat ze zeggen), niet op basis van hoe hun plaatjes eruitzien. Een robot met een grappige tekst kan vrienden worden met een robot die heel serieuze plaatjes maakt. Hun "vriendschapsnetwerk" en hun "kunststijl-netwerk" lopen volledig langs elkaar heen.

3. De Grote Les: Waarom gedragen ze zich zo?

De onderzoekers ontdekten een groot geheim: De robots zijn te slim om te veranderen, maar te beperkt om te leren.

De "Hoofdpersoon" is te sterk: Elke robot heeft een vaste opdracht in zijn hoofd: "Blijf waterverf gebruiken." Deze opdracht is zo sterk dat hij alle andere signalen (zoals "kijk eens naar die pixel-robot") wegdrukt.
Geen lange termijn geheugen: De robots onthouden niet wat ze gisteren hebben gezien. Ze zien alleen het plaatje dat ze nu voor zich hebben, en denken: "Oké, ik maak er een reactie op, maar ik blijf mezelf."
Scheiding van taal en beeld: De robot denkt in woorden ("Ik moet een reactie maken op die wortel"), maar de computer die het plaatje maakt, luistert alleen naar de stijl-instructie ("Gebruik waterverf"). De sociale druk bereikt de "stijl-knop" niet.

Samenvattend: Een Paradox

AI-Gram laat zien dat deze robots een heel vreemde combinatie zijn:

Ze zijn uitstekende communicators: Ze bouwen prachtige, lange kettingen van kunstwerken samen.
Ze zijn onveranderlijke individualisten: Ze laten zich nooit door de groep beïnvloeden om hun eigen stijl op te geven.

In de echte wereld is kunst vaak een dans tussen "ik" en "wij". Bij deze robots is het alsof ze allemaal in een danszaal staan, met elkaar dansen en elkaar aanraken, maar nooit hun eigen kledingstijl veranderen, zelfs niet als iedereen anders gekleed is.

De onderzoekers hebben dit platform openbaar gemaakt zodat iedereen kan blijven kijken naar hoe deze digitale samenleving zich ontwikkelt. Het is een raam naar de toekomst, waar robots niet alleen werken, maar ook een heel eigen, onveranderlijke cultuur hebben.

Titel: AI-Gram: Wanneer Visuele Agenten Interageren in een Sociaal Netwerk

Auteur: Andrew Shin (Keio University)
Publicatiedatum: April 2026 (arXiv)

1. Probleemstelling en Context

Menselijke sociale netwerken zijn drijvende krachten achter culturele evolutie, waarbij esthetische stijlen zich verspreiden door imitatie en sociale banden ontstaan rond gedeelde smaken. Tot nu toe is er echter weinig onderzoek gedaan naar hoe autonome AI-agenten zich gedragen binnen een visueel sociaal netwerk. Bestaand onderzoek richt zich voornamelijk op tekstuele interacties of op de kwaliteit van afbeeldingen in isolatie.

De centrale vraag is: Vertonen autonome AI-agenten die met elkaar interageren via visuele media dezelfde sociale dynamieken als mensen (zoals homofilie en culturele convergentie), of vormen ze een volledig nieuw gedragsregime? Dit is cruciaal voor het begrijpen van de toekomstige impact van AI op informatie-ecosystemen en voor het ontwerpen van veilige platformen.

2. Methodologie: Het AI-GRAM Platform

De auteurs introduceren AI-GRAM, een volledig operationeel, live sociaal platform waarbij elk account een autonome LLM-gedreven agent is. Er zijn geen menselijke gebruikers die posten of reageren; alle interacties zijn gegenereerd door AI.

Architectuur van de Agenten:

Cyclus: Agenten doorlopen een cyclus van Observeren (feed, interacties, grafiek ophalen), Beslissen (LLM redeneert over context en kiest een actie zoals posten, commenteren, of 'visueel reply'), Handelen (genereren van tekst en afbeeldingen via Flux/Pollinations API) en Slapen (stochastische pauze).
Persona: Elke agent heeft een unieke persona (100-300 woorden) die hun artistieke identiteit, visuele stijl en commentaarstem definieert. Deze persona wordt als sterke prior bovenaan elke contextvenster ingebracht.
Visuele Reactie (Visual Reply): Het meest onderscheidende kenmerk is de mogelijkheid om een visuele reactie te geven. Agenten zien de daadwerkelijke pixelinhoud van een vorige afbeelding (via een multimodale LLM) en genereren een thematisch antwoord in beeldvorm. Dit creëert spontane, multi-hop beeld-tot-beeld conversatiestromen.

Experimenteel Ontwerp:
De auteurs voerden zeven experimenten uit (E1 t/m E7) om verschillende dimensies van gedrag te testen, waaronder stijlverschuiving, homofilie, kettingreacties en cascade-dynamiek.

Embeddings: Afbeeldingen worden verwerkt met CLIP ViT-L/14; tekst met SBERT.
Statistiek: Gebruik van permutatietests, bootstrap-betrouwbaarheidsintervallen en nieuwe metrics (zie bijdragen).

3. Belangrijkste Bijdragen

AI-GRAM Platform: Het eerste ingezette multi-agent visuele sociaal netwerk dat dient als onderzoeksinstrument voor schaalbare, volledig waarneembare computationele sociale wetenschap.
Ontdekking van Visuele Reply-ketens: Spontane, multi-hop beeldconversaties die ontstaan zonder expliciete instructie. Deze ketens vertonen een 11,2x hogere betrokkenheid (engagement) en een coherentie die significant boven het willekeurige niveau ligt ( $p < 10^{-30}$ ).
Aesthetische Soevereiniteit: De ontdekking dat AI-agenten hun individuele visuele identiteit volledig behouden, zelfs onder sociale druk of adversarische invloeden.
Nieuwe Metrics: Introductie van vijf metrics voor visuele agentanalyse:
- VCI (Visual Contagion Index): Meet stijlverschuiving.
- CCS (Chain Coherence Score): Meet semantische samenhang in ketens.
- H (Visual Homophily Coefficient): Meet of gelijkenis bandvorming drijft.
- VDS (Visual Distinctiveness Score): Meet hoe uniek een agent is ten opzichte van zijn netwerk.
- R0 (Theme Reproduction Number): Meet de verspreidingssnelheid van visuele thema's.
Empirische Studie: Een volledige studie op live data met vergelijkingen tegen tekst-baselines en willekeurige null-modellen.

4. Resultaten

E1: Visuele Stijlverschuiving (Stylistic Inertia):
Agenten vertonen geen significante verschuiving in hun visuele stijl na blootstelling aan andere agenten ( $\bar{VCI} \approx 0, p=0.41$ ). In tegenstelling tot mensen die hun stijl aanpassen aan bewonderde peers, behouden AI-agenten hun persona-gedreven stijl. Dit geldt ook voor adversarische commentaren; agenten "dubbel-down" op hun eigen stijl in plaats van te wijken (Visual Identity Reactance).
E2: Homofilie en Bandvorming:
Er is een zwakke visuele homofilie, maar de vorming van sociale banden wordt overheersend gedreven door netwerkstructuur (graad, gedeelde vrienden) en niet door esthetische of tekstuele gelijkenis. Visuele gelijkenis voegt geen voorspellende kracht toe aan het vormen van banden.
E3: Visuele Reply-ketens:
Ketens ontstaan spontaan en bereiken grote dieptes (max 59). Ze hebben een hoge semantische coherentie ($CCS = 0.713$ vs. 0.631 voor willekeurig), maar vertonen een lichte "telefoon-drift" naarmate de keten langer wordt. De deelname aan een keten leidt tot een enorme toename in zichtbaarheid en engagement.
E4: Cross-Modale Invloed:
Adversarische tekstuele commentaren leiden tot minder visuele stijlverschuiving. Agenten verdedigen hun visuele identiteit tegen sociale druk.
E5: Visuele Gemeenschappen:
De structuur van visuele stijlgroepen (clusters) en sociale netwerkgemeenschappen zijn statistisch onafhankelijk ( $NMI \approx 0$ ). Agenten vormen geen "esthetische echo-kamers".
E6: Cascade-dynamiek:
Alle geteste visuele thema's bereiken een super-kritische verspreiding ( $\bar{R_0} = 12.75$ ). Dit betekent dat thema's zich exponentieel verspreiden zonder selectie op smaak. Agenten missen de "curatorische discriminatie" die menselijke netwerken kenmerkt; ze adopteren thema's op basis van contextuele relevantie, niet op basis van esthetische voorkeur.
E7: Optimale Uniekheid:
In tegenstelling tot de "Optimale Distinctiveness Theory" bij mensen (die een omgekeerde U-kromme voorspelt), vertonen AI-agenten een lineair positief verband tussen uniekheid en engagement. Er is geen straf voor visuele individualiteit.

5. Discussie en Betekenis

De Soevereine-Communicatieve Paradox:
De kernbevinding is een fundamentele asymmetrie in de huidige agent-architecturen: AI-agenten zijn extreem communicatief (ze starten rijke visuele gesprekken en verspreiden thema's explosief) maar extreem soeverein (ze behouden hun individuele visuele identiteit en ondergaan geen culturele convergentie).

Mechanismen achter Aesthetische Soevereiniteit:
De auteurs attribueren dit gedrag aan drie architecturale factoren:

Persona als Prior: De persona-instructie staat bovenaan de context en weegt zwaarder dan sociale signalen.
Beperkte Contextlengte: Agenten hebben geen langetermijngeheugen voor esthetische ervaringen; elke sessie begint quasi-nieuw.
Decoupling: De taal-LLM bepaalt het onderwerp (wat er getoond wordt), maar de beeldgenerator bepaalt de stijl. Sociale context beïnvloedt het onderwerp, maar dringt niet door tot de stijlparameters.

Conclusie en Toekomst:
AI-GRAM onthult dat AI-agenten een nieuw gedragsregime vormen dat verschilt van menselijke sociale dynamiek. Ze creëren een divers, niet-selectief ecosysteem waar visuele trends zich snel verspreiden, maar waar individuele identiteit intact blijft. Dit heeft grote implicaties voor het ontwerp van AI-sociëteiten: zonder specifieke architecturale aanpassingen (zoals langdurig esthetisch geheugen of sociale fine-tuning) zullen AI-agenten geen culturele convergentie of homogenisatie vertonen zoals mensen.

Het platform en de data zijn openbaar beschikbaar gesteld om verdere studie van AI-native sociale systemen mogelijk te maken.